OpenDiLoCo 1.1B
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Prime Intellect
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 10 July 2024
- Auteurs
- Sami Jaghouar, Jack Min Ong, Johannes Hagemann
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Question answering
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 1.1B
- Training gegevens
- tokens
"We adopt the same hyperparameters as TinyLlama (Zhang et al., 2024), employing a model with 1.1B parameters, a learning rate of 4e−4 and a batch size of 2048."
44000 steps "For the scaled-up 1.1B parameter experiment, we limit it to 44, 000 steps because of the 4× larger batch size. " batch size 2048 sequence length 1024 2048*1024*44000 = 92274688000
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 6.1 × 10²⁰ FLOP
- Hoe het werd opgericht
- Operation counting
6ND = 6 FLOP / token / parameter * 1.1*10^9 parameters * 92274688000 tokens [see dataset size notes] = 6.0901294e+20 FLOP 4 replicas of 8xH100 (figure 8) -> 32 H100 GPUs
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA H100 SXM5 80GB
- Gebruikte chips
- 32
- Stroomverbruik
- 44.2 kW
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Open source
https://github.com/PrimeIntellect-ai/OpenDiLoCo Apache 2.0
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- OpenDiLoCo: An Open-Source Framework for Globally Distributed Low-Communication Training
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
OpenDiLoCo 1.1B werd gepubliceerd door Prime Intellect, in het land geregistreerd als United States of America, tijdens July 2024. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 6.1 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
OpenDiLoCo 1.1B — veelgestelde vragen
OpenDiLoCo 1.1B— wie heeft het gemaakt?
Het werd gepubliceerd door Prime Intellect, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
OpenDiLoCo 1.1B— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
OpenDiLoCo 1.1B— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
OpenDiLoCo 1.1B— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.1 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
OpenDiLoCo 1.1B— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
OpenDiLoCo 1.1B— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
OpenDiLoCo 1.1B— hoeveel parameters heeft het?
Het heeft een parameter telling van 1.1B. "We adopt the same hyperparameters as TinyLlama (Zhang et al., 2024), employing a model with 1.1B parameters, a learning rate of 4e−4 and a batch size of 2048.". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.